선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 수면무호흡을 분류하기 위하여 압전센서 신호로부터 유도한 PR 신호의 박동변이율 분석을 위한 시간 영역 및 주파수 영역 분석을 통해 총 8개의 특징들을 추출하였다(표 2). 시간 영역의 특징 추출을 위해 PR로부터 NN(normal-to-normal pulse rate), SDNN(standard deviation of last NN), RMSSD(root mean square of successive differences of last NN), pNN10(percent of NN10 of total pulse rate) 및 pNN50(percent of NN50 of total pulse rate)을 계산하였고, 주파수 영역의 특징을 추출하기 위해 스펙트로그램 분석을 통해 매 1초 간격으로 주파수 변화를 관찰하여 LF(low frequency components), HF(high frequency components) 및 LF/HF ratio(ratio between LF and HF)를 계산하였다.
- 본 연구에서는 압전센서에서 맥박변이율을 정확히 검출할 수 있다면 위에 언급된 수면관련 질환들의 진단 및 모니터링이 가능할 것으로 가정하였다. 이에 본 논문에서는 코골이용 압전센서 신호로부터 박동변이율(pulse rate variability, PRV)을 유도한 후 이에 근거한 특징을 추출하여 호흡성 수면 장애 환자의 수면무호흡을 자동으로 분류할 수 있는 방법을 제안하였다.
가설 설정
- 최근 코골이용 압전센서를 이용하여 심박률, 호흡률 및 코골이를 유도하여 수면무호흡을 확인하는 연구가 보고되었으나[13], 수면무호흡을 검출하여 평가하는 결과는 아직 보고되지 않았다. 본 연구에서는 압전센서에서 맥박변이율을 정확히 검출할 수 있다면 위에 언급된 수면관련 질환들의 진단 및 모니터링이 가능할 것으로 가정하였다. 이에 본 논문에서는 코골이용 압전센서 신호로부터 박동변이율(pulse rate variability, PRV)을 유도한 후 이에 근거한 특징을 추출하여 호흡성 수면 장애 환자의 수면무호흡을 자동으로 분류할 수 있는 방법을 제안하였다.
제안 방법
- LDA는 클래스간 분산(between-class variance)은 최소로 하고 클래스 내분산(within-class variance)을 최대로 하여 주어진 클래스를 최적으로 분류해준다[20]. LDA를 적용하기 위해 학습군(training set)의 압전센서 신호로부터 정상 호흡구간과 무호흡구간에 대해 8가지 특징들을 학습하여 LDA의 기저 벡터를 추출하였다. 분류 과정에서는 학습 과정에서 구한 LDA 기저 벡터에 시험군(test set)의 압전센서 신호의 특징들을 투영시켰다.
- 먼저, 압전센서에서 유도한 PPI 신호 및 기존(heart-rate interval, HRI)신호의 간에 Pearson의 선형 상관계수를 계산하였다. 또한 압전센서에서 유도한 박동변이율(PRV)과 심전도의 심박변이율과에 상관계수를 계산하였다.
- 압전센서 신호에서 검출한 박동수 추정 알고리즘의 타당성을 보기 위해 두가지 비교분석을 진행하였다. 먼저, 압전센서에서 유도한 PPI 신호 및 기존(heart-rate interval, HRI)신호의 간에 Pearson의 선형 상관계수를 계산하였다. 또한 압전센서에서 유도한 박동변이율(PRV)과 심전도의 심박변이율과에 상관계수를 계산하였다.
- 본 연구에서는 심전도 측정이 필요한 심박변이율 분석 대신에 코골이용 압전센서로부터 박동변이율을 분석하기 위해 박동수를 유도하였다. 먼저, 코골이용 압전센서 신호의 특성을 보기 위해 시-주파수 분석을 실시하였다(그림 2). 그림2(a)와 (c)를 통해 코골이 신호는 20 Hz 이상 대역에서 주파수 특성이 두드러지며 심박과 관련된 신호는 15 Hz 미만대역에서 주파수 특성이 두드러짐을 확인 할 수 있다.
- 본 연구에서는 심전도 측정이 필요한 심박변이율 분석 대신에 코골이용 압전센서로부터 박동변이율을 분석하기 위해 박동수를 유도하였다. 먼저, 코골이용 압전센서 신호의 특성을 보기 위해 시-주파수 분석을 실시하였다(그림 2).
- LDA를 적용하기 위해 학습군(training set)의 압전센서 신호로부터 정상 호흡구간과 무호흡구간에 대해 8가지 특징들을 학습하여 LDA의 기저 벡터를 추출하였다. 분류 과정에서는 학습 과정에서 구한 LDA 기저 벡터에 시험군(test set)의 압전센서 신호의 특징들을 투영시켰다. 투영된 결과와 기저 벡터 간 최소거리를 계산하여 정상 호흡과 무호흡을 분류하였다.
- 0/시간)의 표준 수면다원검사 데이터를 이용하였다(표 1). 수면무호흡의 분류 성능을 평가하기 위하여 각 환자의 기록데이터마다 1시간 30분의 압전센서 신호를 사용하였다. 이 데이터를 선택하는 기준은 환자의 수면 단계가 처음으로 비렘수면(non-REM sleep)에 들어간 후 30분, 그리고 마지막 비렘수면 단계가 종료되기 전 1시간으로 정하였다.
- 본 연구에서는 수면무호흡을 분류하기 위하여 압전센서 신호로부터 유도한 PR 신호의 박동변이율 분석을 위한 시간 영역 및 주파수 영역 분석을 통해 총 8개의 특징들을 추출하였다(표 2). 시간 영역의 특징 추출을 위해 PR로부터 NN(normal-to-normal pulse rate), SDNN(standard deviation of last NN), RMSSD(root mean square of successive differences of last NN), pNN10(percent of NN10 of total pulse rate) 및 pNN50(percent of NN50 of total pulse rate)을 계산하였고, 주파수 영역의 특징을 추출하기 위해 스펙트로그램 분석을 통해 매 1초 간격으로 주파수 변화를 관찰하여 LF(low frequency components), HF(high frequency components) 및 LF/HF ratio(ratio between LF and HF)를 계산하였다.
- 압전센서 신호에서 검출한 박동수 추정 알고리즘의 타당성을 보기 위해 두가지 비교분석을 진행하였다. 먼저, 압전센서에서 유도한 PPI 신호 및 기존(heart-rate interval, HRI)신호의 간에 Pearson의 선형 상관계수를 계산하였다.
- 8배 보다 작으면 현재 PPI를 PPImean 값으로 대체하였다. 오류정점이 제거된 PPI 신호(PPInew)를 식(4)에 적용하여 최종적으로 박동수(PR)를 계산하였다.
- 수면무호흡의 분류 성능을 평가하기 위하여 각 환자의 기록데이터마다 1시간 30분의 압전센서 신호를 사용하였다. 이 데이터를 선택하는 기준은 환자의 수면 단계가 처음으로 비렘수면(non-REM sleep)에 들어간 후 30분, 그리고 마지막 비렘수면 단계가 종료되기 전 1시간으로 정하였다.
- 분류 과정에서는 학습 과정에서 구한 LDA 기저 벡터에 시험군(test set)의 압전센서 신호의 특징들을 투영시켰다. 투영된 결과와 기저 벡터 간 최소거리를 계산하여 정상 호흡과 무호흡을 분류하였다.
- 가장 먼저, THup 이상 되는 모든 점을 검출하여 정점(Pk)으로 정하였다. 현재 검출된 정점과 앞선 정점 간격이 0.5초 이내일 경우 현재 정점을 제외하였으며, 정점으로부터 펄스 간 간격(pulse-to-pulse interval, PPI)을 계산하였다. 보다 정확한 정점을 잡기 위해 5점의 평균 PPI(PPImean)를 식(3)과 같이 계산하였다.
대상 데이터
- 본 연구를 위해 삼성서울병원 수면센터에서 획득한 폐쇄성수면무호흡 환자 13명(나이: 54.5 ± 10.5세, 체질량지수(BMI): 26.3 ± 2.5 kg/m2, 무호흡-저호흡지수(AHI): 19.2 ±6.0/시간)의 표준 수면다원검사 데이터를 이용하였다(표 1).
- 본 연구에서 사용된 압전센서는 수면다원검사 결과 중 코골이를 판단하기 위해 환자 목에 부착[18,19]된 코골이용 압전센서(REF1420610, Embla Systems Inc., 미국)이며, 신호는 200 샘플/초로 저장되었다. 저장된 신호는 RemLogic(Embla Systems Inc.
데이터처리
- 수면무호흡 분류를 위해 압전센서 신호에서 유도한 맥박변이율로 추출한 각 특징들이 실제 심박변이율과 동일한 호흡 구간 내에서 유사한 결과를 보이는지 확인하기 위해 t-검정을 수행하였다(그림 4, 흑색 실선). 그리고 수면무호흡구간과 정상 호흡 구간이 각 특징들에 대해 차이가 있는지를 확인하기 위해 t-검정을 수행하였다(그림 4, 흑색 점선).
- 또한 추출한 특징들을 이용하여 수면 중 정상 호흡구간과 무호흡구간을 분류하기 위해 선형 판별 분석(linear discriminant analysis, LDA)을 사용하였다. LDA는 클래스간 분산(between-class variance)은 최소로 하고 클래스 내분산(within-class variance)을 최대로 하여 주어진 클래스를 최적으로 분류해준다[20].
- 본 연구에서 제안한 박동변이율 추정치의 수면무호흡 검출 성능을 기존 연구로부터 계산된 심박변이율에 의한 검출성능과 비교하였다(표 4). 압전센서에서 유도한 박동변이율 방법이 낮은 성능을 보이지만 단일 센서를 이용하여 코골이뿐만 아니라 수면무호흡 유무를 선별검사 할 수 있는 장점이 있지만 문제점으로는 코골이용 압전센서를 환자 목에 유선으로 부착하는 접촉 방식이므로 데이터 획득 시 환자가 불편을 느낄 수 있다.
- 수면무호흡 분류 방법의 성능 평가를 위해 환자 데이터에대해 개별적 성능 평가가 가능한 leave-one-out 교차검증(cross validation) 방법으로 학습군과 시험군을 정하여 평가하였다. 즉, 선택된 환자 한명의 데이터를 시험군으로 하고 나머지 환자들의 데이터를 학습군으로 정해 선택된 한명에 대한 검출 평가가 이루어진다.
- 수면무호흡 분류를 위해 압전센서 신호에서 유도한 맥박변이율로 추출한 각 특징들이 실제 심박변이율과 동일한 호흡 구간 내에서 유사한 결과를 보이는지 확인하기 위해 t-검정을 수행하였다(그림 4, 흑색 실선). 그리고 수면무호흡구간과 정상 호흡 구간이 각 특징들에 대해 차이가 있는지를 확인하기 위해 t-검정을 수행하였다(그림 4, 흑색 점선).
- , 미국)이며, 신호는 200 샘플/초로 저장되었다. 저장된 신호는 RemLogic(Embla Systems Inc., 미국) 프로그램을 이용하여 데이터를 EDF(European Data Format) 형태로 변환시켰으며, 변환된 데이터는 다시 MATLAB(Mathworks Inc., 미국)프로그램을 이용해 분석하였다(그림 1).
성능/효과
- SDNN, RMSSD 및 LF의 경우 무호흡 구간에서 심박변이율이 통계적으로 유의하게 증가했으며, 박동변이율도 마찬가지로 증가하였다. LF/HF ratio의 경우에도 정상 호흡 구간과 무호흡 구간에서 심박변이율이 유의하게 차이가 있었고, 박동변이율도 차이가 있었다.
- 즉, AHI가 높을수록 각성 횟수가 증가하며, 각성이 발생하는 구간의 동잡음으로 인해 박동 검출 오류가 증가할수 있다. PE06과 PE08의 비디오 분석 결과, 다른 환자들에 비해 각성으로 인한 움직임이 컸기 때문에 박동 검출 오류가 증가되었고 민감도가 낮은 것으로 추론된다. 향후 박동 검출 오류를 개선한 알고리즘 개발이 필요하며, 개선된 알고리즘을 본 연구에 적용할 경우 전체적인 수면무호흡 분류 성능이 증가할 것으로 기대된다.
- NN의 경우 무호흡 유무에 상관없이 심박변이율의 차이가 없는 것 같이, 박동변이율도 통계적으로 유의한 변화가 없었다. SDNN, RMSSD 및 LF의 경우 무호흡 구간에서 심박변이율이 통계적으로 유의하게 증가했으며, 박동변이율도 마찬가지로 증가하였다. LF/HF ratio의 경우에도 정상 호흡 구간과 무호흡 구간에서 심박변이율이 유의하게 차이가 있었고, 박동변이율도 차이가 있었다.
- 01). 각 특징들 간 동일한 호흡 구간에 대한 맥박변이율과 심박변이율의 경우, 무호흡 구간의 SDNN, RMSSD 및 HF를 제외한 경우에 있어 통계적으로 유의한 차이가 없었다. NN의 경우 무호흡 유무에 상관없이 심박변이율의 차이가 없는 것 같이, 박동변이율도 통계적으로 유의한 변화가 없었다.
- 이는 본 연구에서 사용한 코골이용 압전센서를 이용하여 유도한 박동변이율 분석 정보는 심박변이율에 의한 분석 정보와 유사하며, 코골이용 압전센서만 이용해 심박변이율 분석이 가능함을 시사한다. 그러나 기존 문헌에 따르면 수면무호흡 환자의 NN, HF, LF/HF ratio의 경우 상대적으로 감소한다고 보고되었으나, 본 연구 결과에서 LF/HF ratio는 상응하는 결과를 보였으나 NN과 HF는 유의한 차이를 확인할 수 없었다. 이는 분석한 데이터 수가 충분하지 못하고 AHI가 30이상인 중증 환자에 대한 분석이 없기 때문에 발생한 결과로 예상되며 더 많은 환자 데이터를 이용한 추가 분석이 필요하다.
- 압전센서를 이용하여 유도한 박동변이율도 이에 상응하는 결과를 보여주었다. 이는 본 연구에서 사용한 코골이용 압전센서를 이용하여 유도한 박동변이율 분석 정보는 심박변이율에 의한 분석 정보와 유사하며, 코골이용 압전센서만 이용해 심박변이율 분석이 가능함을 시사한다. 그러나 기존 문헌에 따르면 수면무호흡 환자의 NN, HF, LF/HF ratio의 경우 상대적으로 감소한다고 보고되었으나, 본 연구 결과에서 LF/HF ratio는 상응하는 결과를 보였으나 NN과 HF는 유의한 차이를 확인할 수 없었다.
- 이 움직임은 압전센서에 동잡음을 유발하며, 이로 인해 박동 검출 오류를 초래한다. 즉, AHI가 높을수록 각성 횟수가 증가하며, 각성이 발생하는 구간의 동잡음으로 인해 박동 검출 오류가 증가할수 있다. PE06과 PE08의 비디오 분석 결과, 다른 환자들에 비해 각성으로 인한 움직임이 컸기 때문에 박동 검출 오류가 증가되었고 민감도가 낮은 것으로 추론된다.
- 0%의 검출성능을 보였다(표 3). 코골이용 압전센서 신호를 이용한 수면무호흡 분류 방법은 시험군 결과에 대해 대부분 좋은 성능을 보였으나, 본 연구에서 AHI 지수가 가장 높은 환자인 PE06(AHI: 29)과 PE08(AHI: 28)의 경우 다른 환자들에 비해 상대적으로 민감도가 낮았다(표 3). 무호흡이 발생하면각성(arousal)으로 인해 무호흡이 종료되며 정상호흡으로 돌아오는 구간에서 움직임이 발생한다.
- 코골이용 압전센서 신호를 이용해 13명으로부터 수면무호흡을 분류한 결과 민감도 77.7%와 특이도 79.0%의 검출성능을 보였다(표 3). 코골이용 압전센서 신호를 이용한 수면무호흡 분류 방법은 시험군 결과에 대해 대부분 좋은 성능을 보였으나, 본 연구에서 AHI 지수가 가장 높은 환자인 PE06(AHI: 29)과 PE08(AHI: 28)의 경우 다른 환자들에 비해 상대적으로 민감도가 낮았다(표 3).
후속연구
- 본 연구에서 사용된 코골이용 압전센서는 수면무호흡을 성공적으로 분류할 수 있는 가능성을 보여 주었으며, 향후 수면무호흡이 의심되는 환자를 보다 간편하게 모니터할 수 있을 것으로 예상된다. 더 나아가 본 연구에서 사용된 코골이용 압전센서는 코골이뿐만 아니라 심박 및 호흡을 추정할 수 있기 때문에, 수면무호흡 분류가 가능하므로 헬스케어와 건강검진에 유용하게 사용될 수 있을 것이다.
- 따라서 향후 초소형의 무선 압전센서의 제작으로 환자의 불편을 최소화시킬 수 있다. 또한, 본연구가 중증의 수면무호흡 환자는 제외되었기 때문에, 향후 중증 환자 및 더 많은 환자수에 대한 알고리즘의 성능 평가를 위해 추가 연구가 필요하다.
- 본 연구에서 사용된 코골이용 압전센서는 수면무호흡을 성공적으로 분류할 수 있는 가능성을 보여 주었으며, 향후 수면무호흡이 의심되는 환자를 보다 간편하게 모니터할 수 있을 것으로 예상된다. 더 나아가 본 연구에서 사용된 코골이용 압전센서는 코골이뿐만 아니라 심박 및 호흡을 추정할 수 있기 때문에, 수면무호흡 분류가 가능하므로 헬스케어와 건강검진에 유용하게 사용될 수 있을 것이다.
- 그러나 기존 문헌에 따르면 수면무호흡 환자의 NN, HF, LF/HF ratio의 경우 상대적으로 감소한다고 보고되었으나, 본 연구 결과에서 LF/HF ratio는 상응하는 결과를 보였으나 NN과 HF는 유의한 차이를 확인할 수 없었다. 이는 분석한 데이터 수가 충분하지 못하고 AHI가 30이상인 중증 환자에 대한 분석이 없기 때문에 발생한 결과로 예상되며 더 많은 환자 데이터를 이용한 추가 분석이 필요하다.
- PE06과 PE08의 비디오 분석 결과, 다른 환자들에 비해 각성으로 인한 움직임이 컸기 때문에 박동 검출 오류가 증가되었고 민감도가 낮은 것으로 추론된다. 향후 박동 검출 오류를 개선한 알고리즘 개발이 필요하며, 개선된 알고리즘을 본 연구에 적용할 경우 전체적인 수면무호흡 분류 성능이 증가할 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.